Los Sistemas de Recomendación (RSs) se utilizan para proporcionar a los usuarios recomendaciones personalizadas de elementos y ayudarles a superar el problema de la sobrecarga de información. Actualmente, los métodos de recomendación basados en aprendizaje profundo están ganando terreno sobre métodos tradicionales como la factorización de matrices debido a su capacidad para representar las complejas relaciones entre usuarios y elementos y para incorporar información adicional. El hecho de que estos datos tengan una estructura de grafo y la mayor capacidad de las Redes Neuronales de Grafo (GNNs) para aprender de estas estructuras ha llevado a su exitosa incorporación en los sistemas de recomendación. Sin embargo, es necesario investigar el problema de amplificación de sesgo al utilizar estos algoritmos. El sesgo resulta en decisiones injustas, que pueden afectar negativamente la reputación de la empresa y su situación financiera debido a la decepción social y al daño ambiental. En este documento, nuestro objetivo es estudiar exhaustivamente este problema a través de una revisión de la literatura y un análisis del comportamiento frente a los sesgos de diferentes algoritmos basados en GNN en comparación con los métodos de vanguardia. También pretendemos explorar soluciones apropiadas para abordar este problema con el menor impacto posible en el rendimiento del modelo.